TimeCopilot : comment construire un pipeline de prévision avec des modèles fondamentaux et une détection d'anomalies

TimeCopilot — bibliothèque Python pour construire des pipelines end-to-end de prévision de séries temporelles. Elle combine des méthodes statistiques classiques, des modèles fondamentaux pré-entraînés et un agent LLM optionnel qui sélectionne automatiquement la meilleure approche et explique le résultat. La bibliothèque est destinée aux analystes qui ont besoin de comparer rapidement différentes approches sur des données réelles sans passer du temps à l'ajustement manuel de chaque modèle.

Comment fonctionne le pipeline

Les auteurs démontrent TimeCopilot sur deux ensembles de données : un ensemble de données réel de trafic de passagers des compagnies aériennes (benchmark classique) et une série saisonnière synthétique avec des anomalies intentionnellement intégrées. Ce choix permet de tester le système honnêtement — y compris sur des données où l'on sait à l'avance ce qui doit être détecté.

Le flux de travail comprend plusieurs étapes :

• Chargement et préparation des données de panel
• Entraînement des modèles par validation croisée roulante
• Évaluation à l'aide de plusieurs métriques : MAE, MAPE, RMSE
• Génération de prévisions probabilistes avec intervalles de confiance
• Détection d'anomalies avec visualisation
• Exécution d'un agent LLM pour sélectionner et expliquer le meilleur modèle

Trois classes de modèles

TimeCopilot supporte trois types de modèles qui peuvent être comparés dans une seule expérience.

Statistiques — méthodes classiques : ARIMA, ETS, Theta et autres. Ils sont hautement interprétables, fonctionnent sur de petits ensembles de données avec une saisonnalité prononcée et ne nécessitent pas de GPU. Ils fournissent une baseline raisonnable pour pratiquement toute tâche.

Fondamentaux — architectures pré-entraînées pour les séries temporelles, entraînées sur de grands corpus de données. C'est un analogue des modèles de langage pour les séquences numériques : ils sont capables de fonctionner out-of-the-box sans réentraînement sur un ensemble de données spécifique.

Accélérés par GPU — modèles de réseaux de neurones (par exemple, N-BEATS, TiDE) pour les grands ensembles de données avec de grands horizons de prévision. Ils se connectent optionnellement et sont pertinents quand les méthodes statistiques ne suffisent plus.

L'évaluation est effectuée par validation croisée roulante avec une fenêtre expansile : chaque modèle est entraîné sur un historique identique et testé sur l'horizon suivant — cela révèle la véritable capacité de généralisation plutôt que simplement l'ajustement aux données d'entraînement.

Anomalies et incertitude

Au lieu d'une seule « ligne de prévision », TimeCopilot génère des prévisions probabilistes — une gamme de valeurs avec probabilité spécifiée (80 % ou 95 %). Lors de la planification des stocks, de la charge ou du budget, c'est pratiquement utile : l'organisation voit les corridors pessimistes et optimistes simultanément.

En parallèle avec la prévision, un détecteur d'anomalies intégré fonctionne. Sur une série synthétique avec des valeurs aberrantes artificielles, le système a correctement séparé le comportement normal du non-standard. Les drapeaux d'anomalies sont superposés directement sur la visualisation de la série, ce qui simplifie l'audit et la communication des résultats au sein de l'équipe.

Agent LLM explique le choix

La partie la plus inhabituelle est l'agent LLM optionnel. Après avoir évalué tous les modèles, il étudie les résultats de la validation croisée, sélectionne le meilleur modèle pour une série spécifique et génère une explication textuelle — pourquoi exactement ce modèle est plus précis que les autres.

«

Le modèle fondamental a surpassé ARIMA en raison de la saisonnalité non linéaire avec amplitude croissante » — ce type d'explication l'agent la génère automatiquement.

Ceci est une étape vers AutoML avec des résultats auditables : l'analyste reçoit non seulement une recommandation, mais une justification qui peut être incluse dans un rapport ou transmise à une partie prenante sans interprétation supplémentaire.

Ce que cela signifie

TimeCopilot abaisse la barrière d'entrée pour les prévisions avancées : il n'y a pas besoin d'ajuster manuellement des dizaines de modèles ou d'interpréter les métriques de manière indépendante — l'agent LLM assume une partie de ce travail. Pour les équipes analytiques travaillant avec des métriques métier, de la demande ou des KPIs opérationnels, c'est un cadre prêt pour un pipeline production-ready avec une justification lisible par humain pour chaque décision.